EN中文

地理学报 >

2024 , Vol. 79 >Issue 9: 2356 - 2371

DOI: https://doi.org/10.11821/dlxb202409013

植被生态与粮食安全

三江源国家公园NPP长时序时空变化多模型集成分析

  • 刘畅 , 1, 2, 3 ,
  • 任小丽 , 1, 2 ,
  • 张黎 1, 2, 4 ,
  • 王军邦 1, 2 ,
  • 赵亮 5 ,
  • 何洪林 1, 2, 4 ,
  • 徐茜 1, 2, 6 ,
  • 张梦宇 1, 2, 6 ,
  • 曾纳 7 ,
  • 高超 1, 2, 6
展开
  • 1.中国科学院地理科学与资源研究所 中国科学院生态系统网络观测与模拟重点实验室，北京 100101
  • 2.国家生态科学数据中心，北京 100101
  • 3.中国地质大学(武汉)地理与信息工程学院，武汉 430074
  • 4.中国科学院大学资源与环境学院，北京 100190
  • 5.中国科学院西北高原生物研究所，西宁 810001
  • 6.中国科学院大学，北京 100049
  • 7.浙江农林大学环境与资源学院，杭州 311300
任小丽(1984-), 女, 河北沙河人, 博士, 副研究员, 主要从事碳循环模型数据融合研究。E-mail:

刘畅(2000-), 男, 河北秦皇岛人, 硕士生, 主要从事碳循环模型数据融合研究。E-mail:

收稿日期: 2023-09-19

  修回日期: 2024-09-10

  网络出版日期: 2024-09-27

基金资助

国家科技基础资源调查专项(2021FY100705)

国家自然科学基金项目(42030509)

收起

Spatio-temporal variation of net primary productivity in Three-River-Source National Park using a multi-model integration method

  • LIU Chang , 1, 2, 3 ,
  • REN Xiaoli , 1, 2 ,
  • ZHANG Li 1, 2, 4 ,
  • WANG Junbang 1, 2 ,
  • ZHAO Liang 5 ,
  • HE Honglin 1, 2, 4 ,
  • XU Qian 1, 2, 6 ,
  • ZHANG Mengyu 1, 2, 6 ,
  • ZENG Na 7 ,
  • GAO Chao 1, 2, 6
Expand
  • 1. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. National Ecosystem Science Data Center, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China
  • 4. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100190, China
  • 5. Northwest Institute of Plateau Biology, CAS, Xining 810001, China
  • 6. University of Chinese Academy of Sciences, Beijing 100049, China
  • 7. School of Environment and Resources, Zhejiang A & F University, Hangzhou 311300, China

Received date: 2023-09-19

  Revised date: 2024-09-10

  Online published: 2024-09-27

Supported by

Special Project on National Science and Technology Basic Resources Investigation of China(2021FY100705)

National Natural Science Foundation of China(42030509)

Fold

摘要

三江源国家公园位于青藏高原腹地，拥有独特气候和丰富物种基因，在生态系统中具有特殊地位。然而，气候变化和人类活动的影响使其面临生态挑战。准确监测三江源国家公园植被净初级生产力（NPP）的时空变化对于促进生态环境的保护和改善至关重要。模型模拟是陆地生态系统研究的重要方法，但模拟结果存在不确定性。多模型集成技术能够综合不同模型的优点，提高NPP模拟的准确性，为研究NPP长时序变化提供思路，同时为环境治理提供科学支持。本文应用多模型集成分析方法，结合4种生态系统过程模型CLM、DALEC、CEVSA和GLOPEM-CEVSA，分析三江源国家公园2000—2018年NPP的时空变化，并探讨气候因子对NPP变化的影响。结果表明：① 2000—2018年三江源国家公园年均NPP为251.17 gC m-2 a-1，澜沧江源园区最大（267.24 gC m-2 a-1），长江源园区最小（121.88 gC m-2 a-1），黄河源园区居中（198.81 gC m-2 a-1），NPP呈现自东南向西北递减的空间分布。② 2000—2018年三江源平均NPP为222.00~298.02 gC m-2 a-1，年际变化呈显著增加趋势，增速为9.8 gC m-2 10a-1。③ 气候因子对三江源NPP的影响存在区域差异性，长江源园区和黄河源园区主要受到气温和辐射的影响，澜沧江源园区还受降水的显著影响。本文研究结果将为三江源国家公园生态保护成效评估和科学管理提供技术支撑与决策依据。

关键词： 植被净初级生产力; 多模型集成; 三江源国家公园; 时空变化

本文引用格式

刘畅 , 任小丽 , 张黎 , 王军邦 , 赵亮 , 何洪林 , 徐茜 , 张梦宇 , 曾纳 , 高超 . 三江源国家公园NPP长时序时空变化多模型集成分析[J]. 地理学报, 2024 , 79(9) : 2356 -2371 . DOI: 10.11821/dlxb202409013

Abstract

The Three-River-Source National Park, located in the hinterland of the Qinghai-Tibet Plateau, possesses unique climate and abundant genetic species. However, this region is facing serious ecological problems due to climate change and human activities. Accurate monitoring of spatiotemporal variations in net primary productivity (NPP) in the Three-River-Source region is crucial for promoting ecological conservation and environment improvement. Model simulation is an important approach in terrestrial ecosystem research, but it inherently remains uncertain. Multi-model integration techniques can enhance the accuracy of NPP simulation and provide a better estimation of NPP variations for environmental governance. In this study, we used four process-based ecosystem models (i.e., CLM, DALEC, CEVSA, and GLOPEM-CEVSA) and a multi-model integration analysis method to examine the spatiotemporal changes in NPP in the Three-River-Source National Park from 2000 to 2018 and to investigate the effect of climatic factors on NPP variations. The results show that NPP exhibited a decreasing trend from southeast to northwest, with an average annual NPP of 251.17 gC m-2 a-1 during 2000-2018. Ecosystems in the Lancang River Source Park had the highest NPP (267.24 gC m-2 a-1), followed by the Yellow River Source Park (198.81 gC m-2 a-1) and Yangtze River Source Park (121.88 gC m-2 a-1. The average NPP in the Three-River-Source region ranged from 222.00 to 298.02 gC m-2 a-1 and had a significant increasing trend with the rate of 9.8 gC m-2 10a-1. The attributions of NPP variation to climatic factors were far different among regions. It was primarily affected by temperature and radiation in the Yangtze River Source Park and Yellow River Source Park, but was also significantly influenced by precipitation in the Lancang River Source Park. The findings of this study could provide technical support and decision-making basis for assessing the effectiveness of ecological conservation and ecological management in the Three-River-Source National Park.

Key words： NPP; multi-model integration; Three-River-Source National Park; spatiotemporal variation

1 引言

三江源国家公园作为中国重要的生态屏障，在保护珍稀濒危物种、涵养重要水资源和维护国家生态安全等方面扮演着极为重要角色[1]。受全球气候变化和人为因素的影响，该地区生态状况恶化，出现了草原退化、水土流失等诸多问题[2]。随着国家公园的建设，三江源地区生态环境保护和管理的要求越来越精细，需要持续提高监测技术和管理水平。
植被净初级生产力（Net Primary Production, NPP）作为生态系统物质能量循环的重要指标，反映了气候变化和人类活动对陆地生物圈的综合影响[3⇓-5]。通过分析NPP的时空变化和影响因素，可以深入了解生态系统状况，为构建可持续性生态系统管理和应对全球变化等问题提供支持[6-7]。近年来学者们越来越重视区域水平生态系统NPP的研究[8]，特别关注重点生态区植被NPP的精确估计，以指导可持续的环境保护政策和生态文明建设[9]。三江源国家公园生态系统的变化与周边区域的生态环境状况和社会经济发展密切相关，同时这种变化也深刻影响到国家生态安全屏障功能的发挥[10]。因此，准确监测三江源区NPP对于维护和改善该地区的生态环境至关重要。
当前，估算NPP的方法主要包括实地测量和模型估算两种。实地测量方法简单可行、可靠性强，但难以覆盖区域尺度[11]。模型估算方法则分为生理生态过程模型、气候生产力模型和遥感数据驱动的光能利用率模型等[12]。随着遥感和GIS技术的进步，全覆盖的遥感数据使得区域和全球尺度的NPP估算成为可能。然而，其生态学机理仍需进一步研究[13]。相比之下，生态系统过程模型有一定的生态生理基础，是当前陆地NPP估算研究重要且广泛接受的方法[14]，但由于生态系统过程复杂，模型对其过程的简化表达不可避免地带来了不确定性[15-16]。针对模型模拟的不确定性，多模型集成的方法已被广泛发展和应用[17⇓-19]，成为当前提高模型模拟结果准确性的有效途径。国际范围内，多个重要报告和计划均采用多模型集成方法进行结果分析。例如，国际气候变化专门委员会（IPCC）的综合评估报告、国际耦合模式比较计划（CMIP）、国际多尺度综合模型（MsTMIP）以及北美比较计划（TRENDY）等，均运用多模型集成的方法进行评估和讨论，通过多模型结果比较和分析，给出模拟变量的平均水平和不确定性范围。此外，国内外学者也在全球[20-21]以及区域[22-23]尺度上广泛应用多模型集成分析方法，模拟陆地生态系统碳通量。可见，采用多模型集成分析方法可以在一定程度上有效地融合不同模型的优势，从而在生态系统关键参量模拟方面取得较好的综合效果。
随着三江源自然保护区的设立和三江源生态环境保护和建设工程的实施，对三江源地区生态系统过程与功能的研究逐渐引起广泛关注[24-25]，开展了针对三江源地区的生态系统关键参量调查[26⇓⇓⇓-30]以及气候变化影响评估[31⇓-33]等研究工作。其中，一些研究关注到三江源地区NPP的长时序时空变化。例如，蔡小青等[34]利用改进的CASA模型估算了2000—2015年NPP的空间分布格局和变化特征。左婵等[35]基于遥感—过程耦合模型GLOPEM-CEVSA分析了1981—2018年三江源地区NPP时空格局及其控制因子。尽管这些研究探究了三江源区NPP的长时序变化，但是大多数采用单一模型进行分析，难免受到模型结构带来的误差影响，导致NPP估算存在较大的不确定性。此外，鲜有研究对三江源国家公园NPP的分布和变化进行系统性探讨。因此，有必要从区域分异的视角出发，运用多模型集成方法对三江源国家公园NPP的时空分布和变化特征进行深入研究。
本文采用4种生态系统模型（CLM、DALEC、CEVSA和GLOPEM-CEVSA）集成分析三江源国家公园NPP的空间分布和时间变化，并探讨气候因子（气温、降水和总辐射）对NPP的影响。研究结果面向三江源国家公园保护和建设需求，可为推动该区域的生态恢复和可持续发展提供技术和决策支撑，具有重要的实践应用价值。

2 研究方法与数据来源

2.1 研究区概况

三江源国家公园规划范围囊括长江、黄河、澜沧江源头的全部区域，并整合了可可西里国家级自然保护区和三江源国家级自然保护区，形成了“一园三区”格局[36]（图1）。总面积达到19.07万km2，其地理位置介于32°26'4"N~36°16'49"N，89°24'6"E~99°6'46"E，海拔范围为3500~4800 m[37]。地貌主要由高山峡谷和山原组成，主要的山脉为昆仑山主脉及其支脉可可西里山、巴颜喀拉山、唐古拉山等，地形复杂[38]。三江源地区是青藏高原面积最大的“冻土区”，地质形成期相对较短，冻融侵蚀强烈，土壤质地粗糙，以高山草甸土为主[39]。气候特点为寒热交替，雨热同期，冬季漫长而夏季较短，日照时间较长，辐射强烈。国家公园位于青藏高原高寒草甸区向高寒荒漠区的过渡地段，覆盖着草地、湿地、森林、农田等多种生态系统，其中高寒草甸和高寒草原是园内的优势草地类型[40]。2021年三江源国家公园在体制试点基础上进行了范围和功能分区优化，区划总面积由12.31万km2扩大至19.07万km2，实现了对三江源头的整体保护。
图1 三江源国家公园主要土地覆被类型以及气候特征

Fig. 1 Land cover types and climate characteristics in the Three-River-Source National Park

2.2 数据来源与处理

2.2.1 气象数据

气象数据来源于中国气象科学数据共享服务系统（http://cdc.cma.gov.c）提供的753个气象站点（三江源区内部18个站点），以及全球日气候历史数据网络的345个气象站点的数据，气象要素包括总辐射、气温、降水量等。通过空间内插技术实现气象要素栅格化，得到2000—2018年三江源地区气象要素的空间栅格数据[41]。本文采用了澳大利亚国立大学开发的ANUSPLIN模型执行空间插值，该模型具有较强的长时间序列气象数据插值适用性，并广泛应用于生态学领域[42]。基于研究区2000—2018年的每日观测数据，在ANUSPLIN软件中采用薄盘样条算法函数插值，得到了空间分辨率为250 m和8 d时间步长的气象空间数据。对气象数据质量的评估显示，经过空间插值后的温度和降水分别可以解释通量塔观测要素空间变异的94%和67%[43]。

2.2.2 遥感数据

本文使用的遥感数据主要为中分辨率成像光谱仪（MODIS）每16 d合成的250 m空间分辨率植被指数产品（MOD13），包括归一化植被指数（Normalized Difference Vegetation Index, NDVI）和增强型植被指数（Enhanced Vegetation Index, EVI）。数据由美国国家航空航天局（National Aeronautics and Space Administration, NASA）提供，并经过MODIS数据重采样软件（MRT）的批量数据拼接和投影转换，在ArcGIS软件中对研究区进行批量裁剪。本文还引入由NASA提供的详细植被生长数据产品MOD17A3HGF V6.1，以验证模型模拟结果的准确性。

2.2.3 地面观测数据

本文采用的地面观测数据来源于全国范围内植被和土壤碳密度的野外调查数据[44]，将其中三江源区及其周边地区野外考察获取的土壤碳密度和植被碳密度数据用于模型碳库模拟值的验证。将中国划分为覆盖不同植被类型的网格，在每个省份以3%~5%的比例随机选择网格进行野外调查，并采集草地地上和地下部分的样本进行碳分析。本文收集三江源区地上、地下植被和土壤碳密度点，以获取多种植被类型的植被和土壤碳库信息，并对观察结果进行质量控制，采用三倍标准差法剔除了离群异常值，将结果用于模型的比较和验证。除此之外，本文还收集三江源区同期的地上生物量（AGB）数据来验证模型模拟的NPP结果[26]。

2.3 NPP估算模型

2.3.1 CLM模型

CLM（Community Land Model）模型作为CESM模型的陆面模块，在生物物理、水文循环、生物地球化学和植被动态等多个方面均具备优异的性能表现，已经被广泛地应用于陆地生态过程模拟[14,45]。该模型可获取NPP、降水、蒸散、地表和地下径流以及叶面积（Leaf Area Index, LAI）指数等多种数据。CLM4.5是美国国家大气研究中心（NCAR）于2013年6月发布的最新一代陆面过程模式，在CLM4.0的基础上，Bonan等[46]对植被冠层辐射和光合作用过程进行了改进，并对初级生产和潜热的模拟进行了参数化处理，从而显著提高了模型NPP和蒸散等的模拟精度。

2.3.2 DALEC模型

DALEC（The Data Assimilation Linked Ecosystem Carbon）模型是一种将数据同化和生态系统过程相结合的生态碳库模型，用于模拟生态系统碳的生产、转移和储存及它们对气候变化的响应[47-48]。模型包括6个碳库，分别为叶碳库（Cf）、根碳库（Cr）、立枯物碳库（Csom）、凋落物碳库（Clit）和土壤碳库（Csom），以及储存在种子或地面芽上供春季生长的不稳定碳库（Clab）。本文利用MCMC（Markov Chain Monte Carlo）算法融合DALEC过程模型和多源观测数据，获得生态系统待优化参数在约束数据下的后验概率分布和关键参数值，利用优化后的参数进行模拟，提高了模型模拟生态参量的精度。

2.3.3 CEVSA模型

CEVSA（Carbon Exchange between Vegetation, Soil, and Atmosphere）模型是一个生态系统碳、水循环和生态系统服务过程的模拟模型，包括初级生产力、生态系统呼吸、净生态系统生产力、植物水分利用效率、蒸散发等关键过程[49]。该模型基于DOLY模型估算LAI，利用Farquhar方程[50]和改进的Ball-Berry模型估算光合速率，重点关注总初级生产力、净生态系统生产力及蒸散等过程模拟。CEVSA3模型是在CEVSA模型的基础上进一步发展而来的生态系统服务过程模型，引入遥感数据驱动的元素，并增加了针对土壤侵蚀的模块，改进了光合作用和蒸散的模拟方法，提高了模型的精度和实用性。

2.3.4 GLOPEM-CEVSA模型

GLOPEM-CEVSA（Global Production Efficiency Model, CEVSA）模型是一种考虑碳循环过程及其生理生态学理论基础的遥感-过程耦合模型，是由基于遥感的全球生产效率模型（GLO-PEM）和植被、大气和土壤碳交换模型（CEVSA）发展而来[27,51]。模型能够模拟获得总初级生产力和NPP等多种生态系统关键参量。其中，NPP的计算在该模型中是通过结合植被生物量和气温的关系，同时考虑到不同植被群落之间的差异化维持性呼吸和生长性呼吸等关键生态过程而实现的。该模型对复杂的碳循环和生态系统服务过程进行建模，从而较为准确地估算生态系统生产力。

2.4 多模型集成

多模型集成分析方法，是应用多个基于不同假设和过程的模型的模拟结果，采用多模型的集合模拟和综合估算值作为结果进行分析和研究的方法。这种方法可以降低模型结构不确定性，提高模拟结果的准确性和可信度。本文选用了CLM4.5、DALEC、CEVSA3和GLOPEM-CEVSA模型，对三江源国家公园的净初级生产力进行模拟。依据各模型的模拟效果对其赋予相应的权重，性能表现更好的模型获得更高的权重。并以4种模型模拟结果的加权平均值作为最终结果，探讨2000—2018年三江源国家公园NPP的时空变化特征。在空间尺度上，本文获取每个像元点的多模型加权平均值以分析三江源国家公园NPP的空间分布格局；在时间尺度上，应用多模型模拟结果的逐年集成值探讨三江源国家公园NPP的时间变化趋势。

2.5 偏相关分析

在多元相关分析中，简单的相关分析往往难以准确反映两个变量之间的关系。偏相关分析能够排除其他变量的干扰，计算单一因素与因变量之间的直接关系[52]。本文应用时间偏相关分析来探讨气候因子（温度、降水和辐射）对NPP的影响，这种方法能够系统地检验单个因子对NPP的驱动作用，并消除另外两个因素的影响，以全面评估其影响程度。本文聚焦于三江源区，量化每个气候因素对NPP的影响能力，并通过提取显著偏相关系数的绝对值确定对3个园区影响最大的气候因素，系统地研究不同气候因素与NPP之间的关系。在此基础上，运用波段合成技术将不同气候因子的偏相关系数叠加显示，以展现气候因子对NPP影响的综合强度。

3 结果分析

3.1 模型验证

为了评估模型模拟的准确性，本文采用多种数据源进行验证，包括野外调查获得的植被碳和土壤碳数据、已有研究的AGB数据产品以及遥感获取的NPP产品。将单一模型模拟和多模型集成的结果与这些验证数据进行比较的结果显示（图2），多模型集成分析的模拟结果与观测值之间呈现出更强的相关性和更小的误差，在模拟三江源区的效果方面表现更佳。具体而言，对于植被碳，多模型集成和单一模型的模拟结果与实测值的相关系数介于0.2~0.5之间，但多模型集成的结果与实测值更为接近，表明其准确性更高。对于土壤碳，多模型集成分析的结果比单一模型模拟更为准确，与实测值的相关系数达到0.7以上，且均方根误差最小，标准差与实测值最为接近。在AGB和NPP之间的关系方面，多模型集成分析结果展现出良好的相关性和较小的标准差和均方根误差。对于MODIS NPP产品，多模型集成的结果同样具有更好的效果，标准差和均方根误差明显更低。综上所述，多模型集成分析的结果能够更准确地反映三江源地区NPP的分布状况和多年变化趋势。
图2 单模型模拟和多模型集成与实际观测值的泰勒图分析

Fig. 2 Comparison of Taylor diagram analysis between single model simulation and multi-model integration against observaions

3.2 三江源国家公园净初级生产力空间分布格局

在多模型集成分析的基础上，2000—2018年三江源国家公园NPP多年均值呈现出明显的地带性特征，总体上由东南部向西北部逐渐降低（图3）。在整个三江源区范围内，年均NPP超过400 gC m-2 a-1的区域占总面积的23.47%，主要分布在研究区的东部和南部。NPP低于100 gC m-2 a-1的区域占总面积的28.44%，主要分布在西部和非植被区域。各县域NPP分布的对比表明，东部县域（如班玛和久治）的NPP均值普遍较高，县域年均值超过400 gC m-2 a-1；而西部县域（如治多和唐古拉山乡）的NPP均值较低，年均值均低于100 gC m-2 a-1。
图3 2000—2018年三江源国家公园多年平均NPP空间格局

Fig. 3 Spatial pattern of annual average NPP in the Three-River-Source National Park from 2000 to 2018

通过对三江源国家公园各园区的NPP进行对比分析（图4），发现澜沧江源园区的NPP（267.24 gC m-2 a-1）比三江源区平均值（251.17 gC m-2 a-1）高16.07 gC m-2 a-1。黄河源园区NPP处于中等水平，为198.81 gC m-2 a-1，而长江源园区NPP（121.88 gC m-2 a-1）则比三江源区均值低了51.48%。综合来看，三江源国家公园整体的NPP平均值为143.94 gC m-2 a-1。在分析各个园区NPP分布时发现，长江源园区的NPP具有东南高、西北低的特征。澜沧江源园区NPP分布相对均匀，整体上较高。黄河源园区北部NPP的值明显低于其东南部。
图4 2000—2018 年三江源国家公园多年平均NPP分园区统计

Fig. 4 Regional statistics of annual average NPP in the Three-River-Source National Park from 2000 to 2018

3.3 三江源国家公园净初级生产力时间变化趋势

2000—2018年三江源地区的NPP年际变化呈现出明显的空间差异性，其中东部、中部和南部的大部分地区NPP呈增加趋势，而西部和北部的部分地区则呈降低趋势（图5）。具体来说，共和、贵德、贵南、玛多和达日等地NPP的增加趋势尤为明显；而位于西部的治多、唐古拉山乡以及北部的曲麻莱等部分区域NPP下降幅度最大。
图5 2000—2018年三江源国家公园NPP年际变化趋势空间分布

Fig. 5 Spatial distribution of NPP trends in the Three-River-Source National Park from 2000 to 2018

2000—2018年三江源区平均NPP年际变化呈显著增加趋势（增速9.8 gC m-2 10a-1）。三江源国家公园整体的NPP也在增加（7.0 gC m-2 10a-1），其中黄河源园区NPP的增速最大（14.2 gC m-2 10a-1），其次是长江源园区（6.1 gC m-2 10a-1），最低的是澜沧江源园区（3.3 gC m-2 10a-1）（图6）。
图6 2000—2018年三江源国家公园NPP变化趋势分园区统计

Fig. 6 Regional statistics of NPP trends in the Three-River-Source National Park from 2000 to 2018

3.4 三江源国家公园净初级生产力变化的气候因素分析

通过分析三江源国家公园NPP与气候因子的偏相关系数，探讨了NPP的气候驱动因素（图7）。温度与NPP在几乎整个三江源区都呈正相关（图7a），相反地，在超过60%的像元中，辐射与NPP呈负相关，正相关分布较少（图7c）。与气温和辐射相比，降水对三江源区的影响在空间上存在较大的异质性，表现为在三江源区的北部与NPP呈正相关，而南部则呈显著的负相关（图7b）。进一步提取三江源区NPP的主导气候因素后，发现气温是NPP年际变化的主要驱动因素，48.02%的区域主要受温度影响，其次是降水，占比最小的为辐射（图7d）。总体来看，三江源区西部的NPP受温度影响较大，中部受辐射作用显著，而东北部则对降水的依赖程度较高。
图7 NPP与气候因子偏相关系数和主导气候因子的空间分布

Fig. 7 Spatial distribution of partial correlation coefficients between NPP and climate factors and the dominant climate factors

进一步分析了气候因子对NPP年际变化的综合影响，发现NPP年际变化的主导气候因子存在较大的空间异质性（图8）。具体而言，在西部地区，温度这一单一因子对NPP的影响较大；在中部大部分地区，降水和辐射对NPP的共同作用显著；而在东北角，NPP明显受气温和降水的综合作用影响。对于三江源国家公园来说，长江源园区主要受到气温和辐射的影响，黄河源园区与之相似，北部主要受到辐射的影响，南部气温的作用更加显著，而澜沧江源园区则表现出明显的气温、降水和辐射三者共同作用的特征。
图8 气温、降水以及辐射对三江源国家公园NPP的综合影响

Fig. 8 Combined effects of temperature, precipitation and radiation on NPP in the Three-River-Source National Park

4 讨论

4.1 NPP模拟结果比较分析

自三江源自然保护区设立以来，三江源地区植被净初级生产力的空间格局、年际变化以及影响因素备受国内外学者的关注。本文估算的三江源地区2000—2018年NPP多年平均值为251.17 gC m-2 a-1，在已有研究报道的三江源NPP变化范围内（143.17~570.35 gC m-2 a-1，表1）。整体上，采用CASA模型模拟的该区域NPP相对较低[53⇓⇓⇓-57]，采用CLOPEM-CEVSA模型[35]、Miami模型[58]和Thornthwaite Memorial模型[59]等模拟的NPP相对较高。这种差异主要源于模型结构、模型参数和输入数据以及模拟时段等方面的差异。如Miami等气候生产力模型忽略了许多影响NPP的生态生理反应和复杂生态系统过程，可能导致估算结果粗糙[14]。CASA等光能利用率模型输入的遥感NDVI可能无法准确代表地表植被信息，降低了模型的可靠性[12]。相比较之下，多模型集成分析能够在一定程度上降低这种不确定性。在对三江源国家公园的研究上，学者们的关注还相对较少。本文的研究结果（143.94 gC m-2 a-1）介于左婵等的结果（178.40 gC m-2 a-1）[35]和Sun等的结果（93.00 gC m-2 a-1）[60]之间。
表1 本文模拟的NPP均值与其他学者对比

Tab. 1 Comparison of modeled average NPP between this study and previous studies

研究区 NPP均值
(gC m-2 a-1)		 研究时段 模型 文献参考 本文相对应的模拟值
(gC m-2 a-1)
三江源地区 309.70 1981—2018 CLOPEM-CEVSA 左婵等[35] /
三江源国家公园 178.40 1981—2018 CLOPEM-CEVSA 左婵等[35] /
三江源地区 143.17 1988—2004 CLOPEM-CEVSA 王军邦等[27] /
三江源地区 168.68 2004—2008 CASA 蔡雨恋等[58] 251.85
三江源地区 486.90 2004—2008 Miami模型 蔡雨恋等[58] 251.85
三江源地区 302.45 2004—2008 周广胜模型 蔡雨恋等[58] 251.85
三江源地区 144.29 2010—2013 CASA 张馨等[53] 267.12
三江源地区 267.83 2000—2015 CASA 蔡小青等[34] 252.45
三江源地区 169.02 2001—2010 CASA 张颖等[54] 255.64
三江源地区 570.35 1960—2011 Thornthwaite Memorial 郭佩佩等[59] /
三江源地区 146.66 2010 CASA 沃笑等[55] 298.02
三江源地区 148.82 2003, 2008, 2013 CASA 陈利军[56] 240.54
三江源地区 187.37 1982—2012 CASA Zhang et al.[57] /
三江源国家公园 93.00 2000—2016 CASA Sun et al.[60] /
根据2000—2018年三江源区多年平均NPP的空间格局，该地区的NPP整体上呈现由东南向西北逐渐递减的趋势。这一分布特征与前人研究结果一致[10,53,55]。该分布特征符合高原水热梯度变化，同时也与三江源区的降水和热量分布相一致。植被的生产力主要受当地水热分布格局的影响，从而呈现出明显的地带性差异特征。三江源区西部大部分地区NPP较低，主要是由于该地区集中分布着荒漠草原和高寒草地，植被稀少[61]。相反，中部和东部地区的NPP较高，这与中东部水热条件适宜、植被覆盖茂密以及生长条件较好有关[62]。在3个园区中，澜沧江源园区的NPP水平最高，主要是由于澜沧江源园区位于三江源区的较南端，水、热条件最好，同时园区内的植被分布最多。黄河源园区东南部海拔较低、植被生长状况良好，因此NPP相对较高。长江源园区位于整个三江源区的西北端，其降水少、气温低以及荒漠地带分布多，导致该园区NPP相对较低。本文的研究结果表明，21世纪以来，三江源平均NPP的年际变化呈现逐渐增加的趋势，与前人研究结果一致[34,57,60]。此外，本文还发现三江源NPP年际变化在空间上存在差异性，绝大部分区域的NPP都呈增加趋势，而长江源园区西部和北部部分区域呈下降趋势，这与左婵等[35]的研究结论相符合，可能是由于该园区的西北部海拔较高，气温和降水水平较低，受气候因素的影响更为显著，而人为干扰相对较少。因此，NPP的年际波动较为稳定，其增加趋势相对中部和东部地区并不那么显著。过去多项研究表明，黄河源园区的NPP增速最大[35,57,60]，与该区增温相对较快，水热条件改善明显和植被相对稳定密切相关。

4.2 气候因素对NPP时空变化的影响分析

众多学者对三江源地区植被NPP变化的主导气候因子进行了深入研究，但结果不一。如有些研究发现温度是影响三江源地区NPP变化的关键气候因子[27,35,53]，也有研究发现NDVI和降水量的交互作用是影响三江源区NPP变化的关键因素[10]，另外一些研究发现降水对该区域NPP的影响要大于气温[63,64]。三江源区的整体特点是海拔较高，降水相对丰富，温度较低，因此温度可能是植被NPP变化的主要驱动因素，并且温度升高会增加植被NPP[65]。太阳辐射作为植被光合作用的主要能源来源，也是NPP年际变化的重要影响因子。已有研究表明，辐射对21世纪后三江源区NPP的变化产生了显著影响[10,66]。自21世纪初以来，该地区的总辐射量呈显著下降趋势，对NPP产生了负面影响。然而，尽管如此，由于气温升高和降水增加的影响，NPP总体上仍呈现增加趋势。这种现象可能部分归因于该区植被对温度和水分具有更高的敏感性，其生长受到气温和降水更大程度的限制[67]。此外，三江源区地处青藏高原腹地，海拔高，日照时间长，辐射强度较高。这些地理特征使得即使辐射减少，草地NPP的变化趋势也不会受到明显影响，因为草地对太阳辐射的敏感性较低[68]。
本文分析三江源区主要驱动因素的同时，探讨了三江源国家公园不同园区的主导气候因子。研究表明，在长江源园区和黄河源园区，温度和辐射是对NPP产生主要影响的因素。长江源园区的西部地区海拔较高，气温相对较低，NPP对气温的变化更为敏感，而东部地区的辐射水平显著低于西部，更容易受到辐射变化的影响。尽管三江源地区拥有丰富的辐射资源，但太阳辐射的分布并不均匀。受季风和地形海拔的影响，长江源园区东部的辐射水平明显低于西部，使得该地区更容易受到辐射变化的影响。与此同时，长江源园区的西部气温相对较低，导致NPP对气温的变化更为敏感。在黄河源园区的北部，温度和降水对NPP的影响并不突出，辐射则成为该地区NPP受影响最为显著的因素。在澜沧江源园区，气温、降水和辐射对NPP的影响均显著，归因于澜沧江源园区位于较低纬度，随着全球变暖，该区经历明显的暖湿化趋势。因此，气温和降水对植被生产力的影响变得关键，这一结果与刘凤等[69]研究结果一致。同时，降水的增加也会导致辐射减少，有研究表明，在水热条件较好的情况下，太阳辐射的减少会显著影响NPP的变化[70]，甚至在部分区域超过了气温和降水的影响[57]。

4.3 研究意义和局限性

三江源国家公园是我国首批试点的国家公园之一，其发展状况和保护成效的评估具有非常重要的意义。本文利用多模型集成的方法对三江源国家公园的生态环境状况进行摸底，为后续评价国家公园的生态保护状况提供了本底和参考，无论是对于生态环境保护和建设工程的实施还是相关政策的制定都具有启示性意义。通过对比多模型集成的土壤碳、植被碳与实际调查的结果发现，多模型集成的结果相比于单一模型能够更好地反映各植被类型土壤碳和植被碳信息，说明该方法可以更好地揭示三江源地区NPP的分布状况和多年变化情况。本文研究表明多模型集成分析方法是一种适用于降低模型结果不确定性的可行途径，为研究区域水平NPP长时序时空变化提供了一个新的思路。未来，将通过收集更多数据，进一步验证和区分模拟NPP的地上和地下部分，以便更好地理解植被恢复过程中地上和地下NPP的动态变化。此外，本文仅对气温、降水和总辐射3种因素对三江源国家公园NPP的影响进行了分析，而其他因素，如人类活动等，也可能对NPP变化产生一定影响。因此，后续研究中，需要进一步对NPP的驱动因素进行更全面的分析，以便深入探究三江源区生态系统生产力变化及其成因。

5 结论

本文采用多模型集成方法，对CLM、DALEC、CEVSA和GLOPEM-CEVSA 4个模型的模拟结果进行分析。研究2000—2018年三江源国家公园NPP的空间分布格局和时间变化趋势，并探讨了气候因素对NPP时空动态的影响。主要发现如下：
（1）三江源区的NPP呈现东南向西北逐渐降低的空间格局，其中东部县域NPP相对较高，如班玛、久治等地，而西部如治多、曲麻莱等地NPP相对较低。2000—2018年三江源区年均NPP为251.17 gC m-2 a-1，长江源园区（121.88 gC m-2 a-1）与三江源国家公园整体（143.94 gC m-2 a-1）最为接近，低于澜沧江源园区（267.24 gC m-2 a-1）和黄河源园区（198.81 gC m-2 a-1）。
（2）2000—2018年三江源区平均NPP显著增加，年际变化增速为9.8 gC m-2 10a-1，3个园区的平均NPP均呈增加趋势，其中黄河源园区增速最快（14.2 gC m-2 10a-1），其次是长江源园区（6.1 gC m-2 10a-1），澜沧江源园区增速最慢（3.3 gC m-2 10a-1）。三江源区东部、中部和南部的大部分地区NPP呈增加趋势，而西部和北部的部分地区呈降低趋势。
（3）温度与NPP主要呈正相关，辐射与NPP有显著的负相关，降水的影响存在空间异质性。在不同区域内，气候因子对NPP的影响存在明显差异。西部区域NPP受气温影响最大，中部区域降水和辐射的作用显著，东北部则受气温和降水的综合影响。在三江源国家公园内，长江源园区和黄河源园区主要受到气温和辐射的影响，而在澜沧江源园区，气温、降水和辐射三者的共同作用明显。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Liu Moucheng, Wang Jiaran, Liu Weiwei, et al. Policy framework and key technologies of ecological protection compensation to national park. Acta Ecologica Sinica, 2019, 39(4): 1330-1337.

[刘某承, 王佳然, 刘伟玮, 等. 国家公园生态保护补偿的政策框架及其关键技术. 生态学报, 2019, 39(4): 1330-1337.]

[2]
Liu Jiyuan, Shao Quanqin, Fan Jiangwen. Ecological construction achievements assessment and its revelation of ecological project in Three Rivers Headwaters Region. Chinese Journal of Nature, 2013, 35(1): 40-46.

[刘纪远, 邵全琴, 樊江文. 三江源生态工程的生态成效评估与启示. 自然杂志, 2013, 35(1): 40-46.]

[3]
Zhang Y L, Qi W, Zhou C P, et al. Spatial and temporal variability in the net primary production of alpine grassland on the Tibetan Plateau since 1982. Journal of Geographical Sciences, 2014, 24(2): 269-287.

DOI

[4]
Zhang Meng, Zeng Yongnian. Net primary production estimation by using fusion remote sensing data with high spatial and temporal resolution. Journal of Remote Sensing, 2018, 22(1): 143-152.

[张猛, 曾永年. 融合高时空分辨率数据估算植被净初级生产力. 遥感学报, 2018, 22(1): 143-152.]

[5]
Singh D. Generation and evaluation of gross primary productivity using Landsat data through blending with MODIS data. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(1): 59-69.

[6]
Xia J Y, Niu S L, Ciais P, et al. Joint control of terrestrial gross primary productivity by plant phenology and physiology. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(9): 2788-2793.

[7]
Yu Guirui, Li Wenhua, Shao Ming'an, et al. Ecosystem science research and ecosystem management. Acta Geographica Sinica, 2020, 75(12): 2620-2635.

DOI

[于贵瑞, 李文华, 邵明安, 等. 生态系统科学研究与生态系统管理. 地理学报, 2020, 75(12): 2620-2635.]

DOI

[8]
Grosso S D, Parton W, Stohlgren T, et al. Global potential net primary production predicted from vegetation class, precipitation, and temperature. Ecology, 2008, 89(8): 2117-2126.

DOI PMID

[9]
Zhang Yili, Hu Zhongjun, Qi Wei, et al. Assessment of protection effectiveness of nature reserves on the Tibetan Plateau based on net primary production and the large-sample-comparison method. Acta Geographica Sinica, 2015, 70(7): 1027-1040.

DOI

[张镱锂, 胡忠俊, 祁威, 等. 基于NPP数据和样区对比法的青藏高原自然保护区保护成效分析. 地理学报, 2015, 70(7): 1027-1040.]

DOI

[10]
He Qian, Yang Xueqin, Dai Xiaoai. Variation characteristics and influence factors of net primary productivity of vegetation in the Three-River Headwaters Region from 2010 to 2015. Journal of Yangtze River Scientific Research Institute, 2020, 37(5): 59-66.

[贺倩, 杨雪琴, 戴晓爱. 2010—2015年三江源地区植被净初级生产力变化特征及影响因素分析. 长江科学院院报, 2020, 37(5): 59-66.]

[11]
Hong Changqiao, Jin Xiaobin, Chen Changchun, et al. Overview on estimation models of land net primary productivity integrating remote sensing data. Progress in Geography, 2017, 36(8): 924-939.

DOI

[洪长桥, 金晓斌, 陈昌春, 等. 集成遥感数据的陆地净初级生产力估算模型研究综述. 地理科学进展, 2017, 36(8): 924-939.]

DOI

[12]
Zhu Wenquan, Chen Yunhao, Xu Dan, et al. Advances in terrestrial net primary productivity (NPP) estimation models. Chinese Journal of Ecology, 2005, 24(3): 296-300.

[朱文泉, 陈云浩, 徐丹, 等. 陆地植被净初级生产力计算模型研究进展. 生态学杂志, 2005, 24(3): 296-300.]

[13]
Wang J B, Liu J Y, Cao M K, et al. Modelling carbon fluxes of different forests by coupling a remote-sensing model with an ecosystem process model. International Journal of Remote Sensing, 2011, 32(21): 6539-6567.

[14]
Zhang Meiling, Jiang Wenlan, Chen Quangong, et al. Research progress in the estimation models of grassland net primary productivity. Acta Agrestia Sinica, 2011, 19(2): 356-366.

DOI

[张美玲, 蒋文兰, 陈全功, 等. 草地净第一性生产力估算模型研究进展. 草地学报, 2011, 19(2): 356-366.]

DOI

[15]
Aber J D, Reich P B, Goulden M L. Extrapolating leaf CO2 exchange to the canopy: A generalized model of forest photosynthesis compared with measurements by eddy correlation. Oecologia, 1996, 106(2): 257-265.

[16]
Baldocchi D D, Vogel C A. Energy and CO2 flux densities above and below a temperate broad-leaved forest and a boreal pine forest. Tree Physiology, 1996, 16(1-2): 5-16.

[17]
Duan Q Y, Ajami N K, Gao X G, et al. Multi-model ensemble hydrologic prediction using Bayesian model averaging. Advances in Water Resources, 2007, 30(5): 1371-1386.

[18]
Pan H T, Yuan Y. A default method to specify skeletons for Bayesian model averaging continual reassessment method for phase I clinical trials. Statistics in Medicine, 2017, 36(2): 266-279.

[19]
Zhu G F, Li X, Zhang K, et al. Multi‐model ensemble prediction of terrestrial evapotranspiration across north China using Bayesian model averaging. Hydrological Processes, 2016, 30(16): 2861-2879.

[20]
Hu Q W, Li T T, Deng X, et al. Intercomparison of global terrestrial carbon fluxes estimated by MODIS and Earth system models. Science of the Total Environment, 2022, 810: 152231. DOI: 10.1016/j.scitotenv.2021.152231.

[21]
Kim D, Lee M I, Jeong S J, et al. Intercomparison of terrestrial carbon fluxes and carbon use efficiency simulated by CMIP 5 earth system models. Asia-Pacific Journal of Atmospheric Sciences, 2018, 54(2): 145-163.

[22]
Wang Junbang, Zhao Xuanlan, Ye Hui, et al. Integration of evapotranspiration remote sensing products based on Bayesian model averaging: An example from Three-River-Source National Park. Chinese Journal of Applied Ecology, 2021, 32(6): 2119-2128.

DOI

[王军邦, 赵烜岚, 叶辉, 等. 基于贝叶斯模型平均的蒸散遥感产品集成: 以三江源国家公园为例. 应用生态学报, 2021, 32(6): 2119-2128.]

DOI

[23]
Sun Hao. NPP estimation of Qinghai-Tibet Plateau alpine grassland based on multi-model[D]. Lanzhou: Northwest Normal University, 2020.

[孙皓. 基于多模型的青藏高原高寒草地NPP估算研究[D]. 兰州: 西北师范大学, 2020.]

[24]
Zhang Yili, Qi Wei, Zhou Caiping, et al. Spatial and temporal variability in the net primary production (NPP) of alpine grassland on Tibetan Plateau from 1982 to 2009. Acta Geographica Sinica, 2013, 68(9): 1197-1211.

DOI

[张镱锂, 祁威, 周才平, 等. 青藏高原高寒草地净初级生产力(NPP)时空分异. 地理学报, 2013, 68(9): 1197-1211.]

DOI

[25]
Fu M D, Tian J L, Ren Y H, et al. Functional zoning and space management of Three-River-Source National Park. Journal of Geographical Sciences, 2019, 29(12): 2069-2084.

DOI

[26]
Zeng Na, Ren Xiaoli, He Honglin, et al. Aboveground biomass of grasslands in the Three-River Headwaters Region based on neural network. Research of Environmental Sciences, 2017, 30(1): 59-66.

[曾纳, 任小丽, 何洪林, 等. 基于神经网络的三江源区草地地上生物量估算. 环境科学研究, 2017, 30(1): 59-66.]

[27]
Wang Junbang, Liu Jiyuan, Shao Quanqin, et al. Spatial-Temporal patterns of net primary productivity for 1988-2004 based on Glopem-Cevsa model in the 'Three-River Headwaters' region of Qinghai province, China. Chinese Journal of Plant Ecology, 2009, 33(2): 254-269.

DOI

[王军邦, 刘纪远, 邵全琴, 等. 基于遥感—过程耦合模型的1988—2004年青海三江源区净初级生产力模拟. 植物生态学报, 2009, 33(2): 254-269.]

DOI

[28]
Fan Jiangwen, Shao Quanqin, Liu Jiyuan, et al. Dynamic changes of grassland yield in Three River Headwater Region from 1988 to 2005. Acta Agrestia Sinica, 2010, 18(1): 5-10.

DOI

[樊江文, 邵全琴, 刘纪远, 等. 1988—2005年三江源草地产草量变化动态分析. 草地学报, 2010, 18(1): 5-10.]

DOI

[29]
Ren Xiaoli, He Honglin, Zhang Li, et al. Net ecosystem production of alpine grasslands in the Three-River Headwaters Region during 2001-2010. Research of Environmental Sciences, 2017, 30(1): 51-58.

[任小丽, 何洪林, 张黎, 等. 2001—2010年三江源区草地净生态系统生产力估算. 环境科学研究, 2017, 30(1): 51-58.]

[30]
Shao Quanqin, Zhao Zhiping, Liu Jiyuan, et al. The characteristics of land cover and macroscopical ecology changes in the source region of three rivers on Qinghai-Tibet Plateau during last 30 years. Geographical Research, 2010, 29(8): 1439-1451.

[邵全琴, 赵志平, 刘纪远, 等. 近30年来三江源地区土地覆被与宏观生态变化特征. 地理研究, 2010, 29(8): 1439-1451.]

DOI

[31]
Liu J Y, Xu X L, Shao Q Q. Grassland degradation in the "Three-River Headwaters" region, Qinghai province. Journal of Geographical Sciences, 2008, 18(3): 259-273.

[32]
Zhao Liang, Li Qi, Zhao Xinquan. Multi-functionality and management of grassland in the Sanjiangyuan region. Resources Science, 2020, 42(1): 78-86.

DOI

[赵亮, 李奇, 赵新全. 三江源草地多功能性及其调控途径. 资源科学, 2020, 42(1): 78-86.]

DOI

[33]
Zhao Xinquan, Zhou Huakun. Eco-environmental degradation vegetation regeneration and sustainable development in the Headwaters of Three Rivers on Tibetan Plateau. Bulletin of the Chinese Academy of Sciences, 2005(6): 37-42.

[赵新全, 周华坤. 三江源区生态环境退化、恢复治理及其可持续发展. 中国科学院院刊, 2005(6): 37-42.]

[34]
Cai Xiaoqing, Liu Feng. Spatiotemporal pattern and change characteristics of vegetation productivity in the Three River Headwaters. Journal of Irrigation and Drainage, 2021, 40(Suppl.2): 56-59, 62.

[蔡小青, 刘凤. 三江源区植被生产力时空格局及其变化特征. 灌溉排水学报, 2021, 40(Suppl.2): 56-59, 62.]

[35]
Zuo Chan, Wang Junbang, Zhang Xiujuan, et al. Changes and influencing factors of vegetation net primary productivity in the Sanjiangyuan National Park. Acta Ecologica Sinica, 2022, 42(14): 5559-5573.

[左婵, 王军邦, 张秀娟, 等. 三江源国家公园植被净初级生产力变化趋势及影响因素. 生态学报, 2022, 42(14): 5559-5573.]

[36]
Ma Haiping, Li Guang. On the protection and construction of ecological environment in the three rivers. Territory & Natural Resources Study, 2017(3): 21-23.

[马海萍, 李广. 浅谈三江源生态环境保护建设. 国土与自然资源研究, 2017(3): 21-23.]

[37]
Man Wenjing, Xu Yuanjin. Using NPP and EVl to assess the ecological status of the Sanjiangyuan area. Grassland and Turf, 2021, 41(5): 1-8.

[满文婧, 徐元进. 基于NPP与EVI的三江源生态状况评估. 草原与草坪, 2021, 41(5): 1-8.]

[38]
Su Xiaoyi. Ecological health assessment of Sanjiangyuan National Park[D]. Xining: Qinghai Normal University, 2019.

[苏小艺. 三江源国家公园生态健康评价[D]. 西宁: 青海师范大学, 2019.]

[39]
Chen Tongde, Jiao Juying, Wang Haolin, et al. Progress in research on soil erosion in Qinghai-Tibet Plateau. Acta Pedologica Sinica, 2020, 57(3): 547-564.

[陈同德, 焦菊英, 王颢霖, 等. 青藏高原土壤侵蚀研究进展. 土壤学报, 2020, 57(3): 547-564.]

[40]
Shao Quanqin, Fan Jiangwen, Liu Jiyuan, et al. Assessment on the effects of the first-stage ecological conservation and restoration project in Sanjiangyuan region. Acta Geographica Sinica, 2016, 71(1): 3-20.

DOI

[邵全琴, 樊江文, 刘纪远, 等. 三江源生态保护和建设一期工程生态成效评估. 地理学报, 2016, 71(1): 3-20.]

DOI

[41]
Wang Junbang, Wang Juwu, Ye Hui, et al. An interpolated temperature and precipitation dataset at 1-km grid resolution in China (2000-2012). China Scientific Data, 2017, 2(1): 73-80, 205-212.

[王军邦, 王居午, 叶辉, 等. 2000—2012年全国气温和降水1 km网格空间插值数据集. 中国科学数据(中英文网络版), 2017, 2(1): 73-80, 205-212.]

[42]
Dong T F, Liu J G, Shang J L, et al. Assessing the impact of climate variability on cropland productivity in the Canadian Prairies using time series MODIS FAPAR. Remote Sensing, 2016, 8(4): 281. DOI: 10.3390/rs8040281.

[43]
Wang Chunyu, Wang Junbang, Zhang Fawei, et al. Climate resource utilization rate and livestock-carrying capacity of grasslands in the Three River Headwaters region over the past 40 years. Pratacultural Science, 2022, 39(4): 672-687.

[王春雨, 王军邦, 张法伟, 等. 近40年三江源区高寒草地气候资源利用率及载畜量. 草业科学, 2022, 39(4): 672-687.]

[44]
Tang X L, Zhao X, Bai Y F, et al. Carbon pools in China's terrestrial ecosystems: New estimates based on an intensive field survey. PNAS, 2018, 115(16): 4021-4026.

DOI PMID

[45]
Bonan G B, Hartman M D, Parton W J, et al. Evaluating litter decomposition in earth system models with long-term litterbag experiments: An example using the Community Land Model version 4 (CLM4). Global Change Biology, 2013, 19(3): 957-974.

DOI PMID

[46]
Bonan G B, Lawrence P J, Oleson K W, et al. Improving canopy processes in the Community Land Model version 4 (CLM4) using global flux fields empirically inferred from FLUXNET data. Journal of Geophysical Research: Biogeosciences, 2011, 116(G2): G02014. DOI: 10.1029/2010JG001593.

[47]
Scholz K, Hammerle A, Hiltbrunner E, et al. Analyzing the effects of growing season length on the net ecosystem production of an alpine grassland using Model-Data Fusion. Ecosystems, 2018, 21(5): 982-999.

[48]
Williams M, Schwarz P A, Law B E, et al. An improved analysis of forest carbon dynamics using data assimilation. Global Change Biology, 2005, 11(1): 89-105.

[49]
Cao M K, Woodward F I. Net primary and ecosystem production and carbon stocks of terrestrial ecosystems and their responses to climate change. Global Change Biology, 1998, 4(2): 185-198.

[50]
Farquhar G D, Caemmerer S V, Berry J A. A biochemical model of photosynthetic CO2 assimilation in leaves of C3 species. Planta, 1980, 149(1): 78-90.

DOI PMID

[51]
Zhang R, Zhou Y, Luo H X, et al. Estimation and analysis of spatiotemporal dynamics of the net primary productivity integrating efficiency model with process model in karst area. Remote Sensing, 2017, 9(5): 477. DOI:10.3390/rs9050477.

[52]
Liu C Y, Dong X F, Liu Y Y. Changes of NPP and their relationship to climate factors based on the transformation of different scales in Gansu, China. CATENA, 2015, 125: 190-199.

[53]
Zhang Xin, Chen Kelong, Wang Feng, et al. Analysis of spatial-temporal characterstics of NPP and its influencing factors in Three-River Headwater Area pilot region of Qinghai. Grassland and Turf, 2016, 36(4): 21-26, 33.

[张馨, 陈克龙, 王锋, 等. 青海三江源试验区NPP时空特征及影响因素分析. 草原与草坪, 2016, 36(4): 21-26, 33.]

[54]
Zhang Ying, Chen Huaiyan, Li Jianlong. Quantitative estimation for net primary productivity of Three-Rivers Source ecosystem in recently 10 years. Tianjin Agricultural Sciences, 2014, 20(10): 25-28.

[张颖, 陈怀艳, 李建龙. 三江源生态系统近10年净初级生产力估测. 天津农业科学, 2014, 20(10): 25-28.]

[55]
Wo Xiao, Wu Liangcai, Zhang Jiping, et al. Estimation of net primary production in the Three-River headwater region using CASA model. Journal of Arid Land Resources and Environment, 2014, 28(9): 45-50.

[沃笑, 吴良才, 张继平, 等. 基于CASA模型的三江源地区植被净初级生产力遥感估算研究. 干旱区资源与环境, 2014, 28(9): 45-50.]

[56]
Chen Lijun. The study on the temporal and spatial variation of NPP and its driving factors in Sanjiangyuan Nature Reserve[D]. Taiyuan: Shanxi Agricultural University, 2015.

[陈利军. 三江源自然保护区NPP的时空变化及驱动因子研究[D]. 太原: 山西农业大学, 2015.]

[57]
Zhang Y, Zhang C B, Wang Z Q, et al. Vegetation dynamics and its driving forces from climate change and human activities in the Three-River Source Region, China from 1982 to 2012. Science of the Total Environment, 2016, 563: 210-220.

[58]
Cai Yulian, Zheng Youfei, Wang Yunlong, et al. Analysis of terrestrial net primary productivity by improved CASA model in Three-River Headwaters Region. Journal of Nanjing University of Information Science & Technology (Natural Science Edition), 2013, 5(1): 34-42.

[蔡雨恋, 郑有飞, 王云龙, 等. 利用改进的CASA模型分析三江源区净植被生产力. 南京信息工程大学学报(自然科学版), 2013, 5(1): 34-42.]

[59]
Guo Peipei, Yang Dong, Wang Hui, et al. Climate change and its effects on climatic productivity in the Three River Headwaters Region in 1960-2011. Chinese Journal of Ecology, 2013, 32(10): 2806-2814.

[郭佩佩, 杨东, 王慧, 等. 1960—2011年三江源地区气候变化及其对气候生产力的影响. 生态学杂志, 2013, 32(10): 2806-2814.]

[60]
Sun Q Y, Liu W W, Gao Y N, et al. Spatiotemporal variation and climate influence factors of vegetation ecological quality in the Sanjiangyuan National Park. Sustainability, 2020, 12(16): 6634. DOI: 10.3390/su12166634.

[61]
Du Jizeng, Wang Genxu, Li Yuanshou. Rate and causes of degradation of alpine grassland in the source regions of the Yangtze and Yellow Rivers during the last 45 years. Acta Prataculturae Sinica, 2015, 24(6): 5-15.

DOI

[杜际增, 王根绪, 李元寿. 近45年长江黄河源区高寒草地退化特征及成因分析. 草业学报, 2015, 24(6): 5-15.]

DOI

[62]
Liu Xianfeng, Ren Zhiyuan, Lin Zhihui, et al. The spatial-temporal changes of vegetation coverage in the Three-River Headwater Region in recent 12 years. Acta Geographica Sinica, 2013, 68(7): 897-908.

[刘宪锋, 任志远, 林志慧, 等. 2000—2011年三江源区植被覆盖时空变化特征. 地理学报, 2013, 68(7): 897-908.]

[63]
Sun Qingling, Li Baolin, Li Fei, et al. Review on the estimation of net primary productivity of vegetation in the Three-River Headwater Region, China. Acta Geographica Sinica, 2016, 71(9): 1596-1612.

DOI

[孙庆龄, 李宝林, 李飞, 等. 三江源植被净初级生产力估算研究进展. 地理学报, 2016, 71(9): 1596-1612.]

DOI

[64]
Li Huixia, Liu Guohua, Fu Bojie. Response of vegetation to climate change and human activity based on NDVI in the Three-River Headwaters region. Acta Ecologica Sinica, 2011, 31(19): 5495-5504.

[李辉霞, 刘国华, 傅伯杰. 基于NDVI的三江源地区植被生长对气候变化和人类活动的响应研究. 生态学报, 2011, 31(19): 5495-5504.]

[65]
Yang Y H, Wang J B, Liu P, et al. Climatic changes dominant interannual trend in net primary productivity of alpine vulnerable ecosystems. Journal of Resources and Ecology, 2019, 10(4): 379-388.

DOI

[66]
P F, Liu G, He J. Spatio-temporal variation and impacting factors of NPP from 2001 to 2020 in Sanjiangyuan region, China: A deep neural network-based quantitative estimation approach. Ecological Informatics, 2023, 78: 102345. DOI: 10.1016/j.ecoinf.2023.102345.

[67]
Zhou Bingrong, Zhu Shengcui, Li Hongmei. Temporal and spatial characteristics of vegetation Net Primary Productivity and its responses to climate change in Three-River Headwaters Region. Journal of Arid Meteorology, 2016, 34(6): 958-965, 988.

[周秉荣, 朱生翠, 李红梅. 三江源区植被净初级生产力时空特征及对气候变化的响应. 干旱气象, 2016, 34(6): 958-965, 988.]

DOI

[68]
Zhang Meiling, Chen Quangong, Jiang Wenlan. Simulation and sensitivity analysis of net primary productivity (NPP) of different grassland types. Arid Land Geography, 2021, 44(2): 369-378.

DOI

[张美玲, 陈全功, 蒋文兰. 不同草地类型净初级生产力(NPP)模拟及其敏感性分析. 干旱区地理, 2021, 44(2): 369-378.]

DOI

[69]
Liu Feng, Zeng Yongnian. Spatial-temporal change in vegetation net primary productivity and its response to climate and human activities in Qinghai Plateau in the past 16 years. Acta Ecologica Sinica, 2019, 39(5): 1528-1540.

[刘凤, 曾永年. 近16年青海高原植被NPP时空格局变化及气候与人为因素的影响. 生态学报, 2019, 39(5): 1528-1540.]

[70]
Piao Silong, Fang Jingyun. Terrestrial net primary production and its spatio-temporal patterns in Qinghai-Xizang Plateau, China during 1982-1999. Journal of Natural Resources, 2002, 37(4): 563-569.

[朴世龙, 方精云. 1982—1999年青藏高原植被净第一性生产力及其时空变化. 自然资源学报, 2002, 37(4): 563-569.]

Options
文章导航

/

〈 〉